遗传算法流程图 遗传算法计算流程

遗传算法是基于达尔文的进化论和遗传学原理，模拟生命进化机制而发展起来的一种新型搜索和优化方法。

达尔文的进化论认为每一物种在不断的发展过程中都是越来越适应环境。物种的每个个体的基本特征被后代所继承，但后代又不完全同于父代，这些新的变化，如果适应环境，则被保留下来，这就是适者生存的原理。孟德尔的遗传学说认为遗传是作为一种指令遗传码封装在每个细胞中，并以基因的形式包含在染色体中。每个基因有特殊的位置并控制某种特殊的性状（染色体中基因的位置可以称为基因的性状）。每个基因产生的个体对环境有一定的适应性。基因杂交和基因突变可能产生对环境适应性强的后代。通过优胜劣汰的自然选择，自然界中存在的物种对所处外境的适应性不断提升。因此，生物的大量繁殖为更优异特性的出现提供了机会；自然选择使得这些优秀的性状能够保存下来。这两种方式的作用使物种的性能越来越好。具体的实现方法就是生物体基因的复制、交换和变异。

遗传算法就是通过对这三种方式的模拟来实现其优化过程的。

遗传算法将问题的解表示成“染色体”，从而多个可行解构成一群“染色体”，将它们置于待求解问题的“环境”中，根据适者生存的原则，从中选择出适应环境的“染色体”进行复制，即再生，通过交换、变异两种基因操作能产生出新一代更适应环境的“染色体”群，一代代地不断进化，最后收敛到一个最适应环境的个体上，求得最优解。遗产算法的操作是在问题的“环境”中进行的，问题的“环境”一般是问题求解品质的度量函数，称为适应度函数( fitness function)。